【G検定】正解率（Accuracy）とは？計算式とクラス不均衡の落とし穴をわかりやすく解説

「このAI、どれくらい当たるの？」という素朴な問いに最初に答えてくれるのが正解率です。最も直感的で分かりやすい指標ですが、データの偏りによっては「99%なのに役立たず」という現象が起こります。強みと落とし穴をセットで理解しましょう。

📖 ひと言でいうと

正解率（Accuracy）とは、全データのうち、モデルが正しく分類できたデータの割合を示す指標です。陽性・陰性を問わず「当たった件数」を全件数で割って求めます。

例えるなら、100問のテストで何問正解したかという「素点」です。全体の出来をひと目で把握でき誰にでも通じる一方、素点だけでは「どの分野を間違えたのか」はわかりません。厳密には、正解率は陽性クラスの正解（TP）と陰性クラスの正解（TN）を区別せず合算するため、クラスの構成比が偏っていると多数派クラスの成績に支配されるという性質を持ちます。

🖼 1枚でわかる正解率

📘 公式テキストの説明

正解率（Accuracy）は、全データのうち、正しく分類されたデータの割合を示す指標である。混同行列を用いて表現すると、（TP＋TN）/(TP+TN+FP+FN)で計算される。全データ中、どれだけ予測が当たったかの割合を示す直感的な指標だが、クラスの不均衡がある場合には適切でないことがある。

3つの文がそのまま3つの論点です。第1文が定義（全体のうち正解の割合）、第2文が混同行列による計算式、第3文が限界（クラス不均衡での不適切さ）です。分子の TP+TN は「2種類の正解の合計」、分母の TP+TN+FP+FN は「全データ数」を意味します。試験ではこの3点——定義・式・限界——がそのまま出題ポイントになります。

🔍 しっかり理解する

式の意味——2種類の正解を合算する

正解率 = (TP + TN) / (TP + TN + FP + FN)

分子には真陽性（陽性を陽性と当てた）と真陰性（陰性を陰性と当てた）の両方が入ります。つまり正解率は「どちらのクラスの正解か」を区別しない、全体視点の指標です。犬100枚・猫100枚の分類でTP=90、TN=85、FP=10、FN=15なら、正解率は (90+85)/200 = 0.875、すなわち87.5%です。

この「区別しない」性質は、クラスの枚数がほぼ均等で、犬を猫と間違えるコストと猫を犬と間違えるコストが同程度なら、まったく問題ありません。むしろ1つの数値で全体を要約できる便利な指標です。

クラス不均衡という落とし穴

問題は、陽性と陰性の件数が大きく偏っている場合です。極端な例で考えましょう。1,000件の取引のうち不正が10件（1%）だけのデータで、「すべて正常と判定する」だけの手抜きモデルを作ると、TN=990、FN=10、TP=0、FP=0となり、正解率は 990/1000 = 99% になります。不正を1件も検出できないモデルが、99%という立派な数字をまとってしまうのです。

これは、正解率の分子が多数派クラスの正解（TN）で埋め尽くされ、少数派クラスの成績がほとんど数字に反映されないために起こります。正解率が高いこと自体は嘘ではありませんが、「知りたいこと（不正を見つけられるか）」に答えていない——これがクラス不均衡の落とし穴です。

使ってよい場面・避けるべき場面

不均衡データや誤りコストが非対称な場面では、陽性クラスの扱いに焦点を当てる適合率（陽性予測の的中率）や再現率（実際の陽性の捕捉率）を使います。これらの式にはTNが含まれないため、多数派の陰性に成績が水増しされません。それぞれの詳細は各キーワードの記事に譲りますが、「正解率で足りないときの代替がある」ことを知っておくのが重要です。

💡 具体例で考える

メーカーの外観検査AIを考えます。製品1万個のうち不良品は50個（0.5%）。開発チームが「正解率99.5%を達成しました」と報告してきたら、どう受け止めるべきでしょうか。実は「全部良品と判定する」だけでも正解率は99.5%になるため、この数字だけでは検査AIとしての価値は判断できません。混同行列を開き、不良品50個のうち何個を捕捉できたか（再現率側の情報）を確認して初めて、意味のある評価になります。

逆に、アンケート自由回答を「肯定的/否定的」に分類するタスクで、両クラスがほぼ半々なら、正解率は素直に使えます。「正解率88%」という報告は、このモデルが10件中約9件を正しく仕分けられるという実感どおりの意味を持ちます。データのクラス構成比を確認してから指標を選ぶ——これが実務の作法です。

⚠️ よくある誤解・紛らわしい用語

📝 試験でのポイント

📚 まとめ